Tractography with T1-weighted MRI and associated anatomical constraints on clinical quality diffusion MRI

2024年03月27日
  • 简介
    扩散磁共振成像(dMRI)流线制图是在体内估计脑白质(WM)通路的黄金标准,长期以来被认为与WM微结构的宏观关系有关。然而,最近的制图技术进展表明,使用带有教师-学生框架的卷积循环神经网络(CoRNN)可以直接从T1和解剖学上下文中学习和传播流线。该网络的训练先前依赖于高分辨率的dMRI。在本文中,我们将训练机制推广到传统的临床分辨率数据,从而实现对敏感和易感研究人群的通用性。我们在巴尔的摩长寿研究(BLSA)的小型子集上训练CoRNN,这更类似于临床协议。然后,我们定义了一个指标,称为epsilon球播种方法,以在流线级别比较T1制图和传统扩散制图。在这个指标下,CoRNN生成的T1制图与扩散制图的误差约为两毫米。
  • 图表
  • 解决问题
    本论文旨在将卷积循环神经网络(CoRNN)应用于T1图像数据,以实现大脑白质通路的定量分析,从而解决传统扩散磁共振成像(dMRI)数据收集受限的问题。
  • 关键思路
    论文提出了一种基于CoRNN的方法,可以从T1和解剖结构上直接学习和传播神经纤维束,从而实现大脑白质通路的定量分析。
  • 其它亮点
    论文使用Baltimore Longitudinal Study of Aging(BLSA)数据集进行CoRNN训练,从而实现了在临床分辨率下的通用性。通过定义epsilon ball seeding方法,将T1和传统扩散磁共振成像(dMRI)的结果进行比较,发现T1图像数据的CoRNN重建结果与dMRI结果的误差仅为两毫米。
  • 相关研究
    与本论文相关的研究包括:1)使用CoRNN进行扩散磁共振成像数据的大脑白质通路分析;2)使用深度学习技术进行脑图像分析,如卷积神经网络(CNN)和生成对抗网络(GAN)等。
PDF
原文
点赞 收藏 评论 分享到Link

沙发等你来抢

去评论